Google DeepMind hat Gemini 4 Neon veröffentlicht, ein mittelgroßes Modell für Softwareentwicklung, wissenschaftliche Forschung und Cyberabwehr auf Spitzenniveau zu einem Bruchteil der Zeit und Kosten seines Flaggschiffs. Die Veröffentlichung steht für eine leisere Wende der künstlichen Intelligenz: weg von schierer Größe, hin zu disziplinierter Arbeit im Alltag.

Der Küchentisch war schon kalt, als ich vergangenen Dienstag um elf Uhr abends meine Stromrechnung aufgab. Neben der Lampe lagen vier PDFs des regionalen Versorgers, zwei eingescannte Zählerstände und eine Tabelle, in der sich ein plötzlicher Herbstzuschlag einfach nicht erklären ließ. Ich übergab das Durcheinander einem führenden Reasoning-Modell und sah dem pulsierenden Cursor zu, während der Heizkörper im Dunkeln knackte. Drei Minuten vergingen, dann vier. Die Antwort, die schließlich eintraf, war gründlich, höflich und der Situation völlig unangemessen – als hätte ich eine Güterlok bestellt, um eine Tasche quer durch die Stadt zu tragen. Als das Modell fertig gedacht hatte, hatte ich den Faden meiner eigenen Argumentation verloren und den Laptop zugeklappt.

Die Architektur des Mittelwegs

Diese kleine, vertraute Reibung – der Abstand zwischen einem Modell, das klug genug ist, ein schwieriges Problem zu lösen, und einem, das schnell genug ist, um in einen Arbeitstag zu passen – ist das Terrain, das Google am 18. November 2026 für sich beanspruchte. In einem Beitrag unter dem Namen von Koray Kavukcuoglu, Senior Vice President bei Google DeepMind und Chief AI Architect bei Google, stellte das Unternehmen Gemini 4 Neon vor. Im wachsenden Periodensystem der Gemini-4-Familie besetzt Neon bewusst die Mitte. Gemini 4 Carbon bleibt das schwere Schiff für die längsten und schwierigsten Projekte; Gemini 4 Hydrogen übernimmt die zügige Ausführung von Routineaufgaben. Neon wurde aus Carbon abgeleitet und soll beide verbinden: mit tiefgehendem, mehrstufigem Schlussfolgern für komplexe, häufig anfallende Arbeit bei kürzeren Wartezeiten und geringeren Kosten.

Die wirtschaftliche Rechnung ist leicht verständlich. Google verlangt für Neon drei Dollar pro Million Eingabetokens – bei zwischengespeicherten Eingaben sinkt der Preis auf fünfzehn Cent, ein Rabatt von 95 % – und fünfzehn Dollar pro Million Ausgabetokens. Alles läuft in einem einheitlichen Kontextfenster von einer Million Tokens, das Text, Tabellen, PDFs, Audio und Video gemeinsam verarbeiten kann. Zum Start wurde das Modell gleichzeitig über die Gemini API in Google AI Studio und Android Studio, in Gemini for business, in Google Antigravity für zahlende Pro- und Ultra-Abonnenten sowie direkt im Auswahlmenü der Gemini-App bereitgestellt.

Die Zahlen unabhängiger Prüfer deuten darauf hin, dass weniger Gewicht nicht weniger Urteilsvermögen bedeuten musste. Im Artificial Analysis Intelligence Index erreichte Neon auf der höchsten Stufe des Schlussfolgerns 61 Punkte und damit insgesamt Platz drei, hinter ausschließlich größeren und langsameren Modellen. Im Vals Index belegte es mit 70,9 % den zweiten Platz, lag damit auf der Pareto-Grenze von Kosten und Genauigkeit und erreichte sowohl im Legal Research Bench als auch im Tax Agent Bench den Spitzenplatz. Bei den Bewertungen von Surge AI zu Finanzen, Buchhaltung und Modellierung in Tabellenkalkulationen lag es in den meisten Kategorien vorn. Im Chartography-Test erreichte es beim Lesen dichter Fachgrafiken 73,5 % und zog mit 75,8 % im Agents’ Last Exam v1.1 mit führenden Systemen gleich. Auf Zapier’s AutomationBench wurde es mit 56,3 % Erster. Im neuen Agent Arena Index, der auf mehr als 4.200 Agentensitzungen aus der Praxis beruht, stieg Neon mit 1.336 Punkten weltweit auf Platz zwei ein. Auch bei der Steuerbarkeit belegte es den zweiten Platz. Dieser Wert misst, wie gut ein Modell menschliche Korrekturen während einer laufenden Aufgabe aufnimmt.

Der ungewöhnlichste Test anhaltenden Urteilsvermögens dürfte Vending-Bench 2 von Andon Labs sein. In dieser Simulation eines ganzen Jahres verwaltet ein autonomer Agent Lagerbestände, verhandelt mit gegnerisch agierenden Lieferanten, zahlt tägliche Gebühren und versucht, aus fünfhundert Dollar ein rentables Geschäft mit Verkaufsautomaten aufzubauen, ohne den Zusammenhang zu verlieren. Neon wurde mit einem Guthaben von 16.843 Dollar Gesamtsieger. In den stilleren Räumen der Mathematik und technischen Forschung lag es im Terminal-Bench Science mit 70,5 %, im RiemannBench mit 84,0 % und im HLE-Diamond mit 71,3 % vorn.

Die ersten Tester in Unternehmen beschrieben den Wandel weniger anhand von Nachkommastellen in Ranglisten als anhand der Arbeitsweise. Thai Tran, AI Product Lead bei Glean, berichtete, Neon erreiche oder übertreffe Carbon bei der Gesamtqualität am Arbeitsplatz, sei dabei dreimal so schnell und verursache nur 60 % der Kosten. Brandon Valafar von Micro1 sah es an der Spitze ihres Medical Index und ihrer internen Bewertungen in den Lebenswissenschaften. Trenton Chang, Chief Scientist bei Quadrillion, formulierte den Unterschied schärfer. Ein unerfahrener Forscher, so Chang, führe jedes Experiment aus, das man ihm gebe; ein hervorragender Forscher frage immer weiter nach dem Warum. Neon sei das erste Modell gewesen, bei dem sein Team beobachtet habe, dass es nach gescheiterten Versuchen ohne Aufsicht weiterarbeite, nach neuen Signalen suche und seine eigenen Modellierungsstrategien neu entwerfe, statt vor schlechten Ergebnissen zu kapitulieren. Andrew Carr, Chief Scientist und Mitgründer von Cartwheel, bezeichnete es als gründlichen Partner für die Entwicklung von Systemen des maschinellen Lernens und den Entwurf von Architekturen, der Rückmeldungen aufnehme und vorhandene Arbeiten berücksichtige.

Code, Schwärme und dosierter Aufwand

Die Softwareentwicklung ist zum eigentlichen Prüfstand für autonome Agenten geworden: Eine einzige unachtsame Änderung kann Folgen in hundert Dateien haben. Google hat Neon für lange Sitzungen mit intensivem Werkzeugeinsatz gebaut – entweder als Einzelarbeiter oder als ruhigen Koordinator, der in Google Antigravity parallel arbeitende Hydrogen-Unteragenten dirigiert. In der Praxis heißt das: Dateien seltener unnötig erneut lesen, während der Arbeit über Fortschritte berichten und lange Kontextfenster verdichten, ohne zu vergessen, weshalb das Repository überhaupt geöffnet wurde.

Im Artificial Analysis Coding Agent Index belegte Neon mit 58,6 Punkten insgesamt den ersten Platz. Hinzu kamen 65,2 % im Terminal-Bench 4.1 und 46,2 % im FrontierCode 2.0 bei der voreingestellten Stufe high. Im SWE-sweep führte es mit 12,8 % in der mini-SWE-Testumgebung. In Google Antigravity stieg der Wert dann auf mehr als das Dreifache und erreichte mit 39,0 % einen neuen Spitzenwert. Das verdeutlicht, wie stark die Leistung moderner Agenten von der technischen Umgebung abhängt, in der die Modellgewichte zum Einsatz kommen.

Um zu zeigen, wie diese Prozentwerte in Aktion aussehen, ließ Google Neon Agentenschwärme durch Aufgaben steuern, die an barocken Überfluss grenzten. In Antigravity schrieb Neon von Grund auf einen WebGL2-Freeride-Skisimulator aus der Ich-Perspektive, der reale Höhendaten von Mont Blanc und Chamonix nutzte: mehr als 10.200 Zeilen eigens geschriebener Shader, Skiphysik mit 120 Hertz, dynamische Schwungspuren, Schneebrettlawinen und räumlicher Klang, ohne ein einziges vorgefertigtes Element. Ein anderer Schwarm zog Archivfotos heran, um Alan Turings Arbeitszimmer X.8 aus dem Jahr 1936 am King’s College in Cambridge interaktiv in drei Dimensionen nachzubauen, einschließlich King’s Chapel vor dem Fenster und einer funktionierenden universellen Turingmaschine auf seinem Schreibtisch. Ein dritter übertrug ein einzelnes Foto in ein Google-Tabellenblatt mit hunderttausend Zellen. Es enthielt weder eingebettete Bilder noch Apps Script. Stattdessen berechneten mehr als eine halbe Million aktiver Tabellenformeln die Kantenerkennung, bildeten die räumliche Tiefe ab und beleuchteten die Szene in sechs interaktiven Modi neu.

Unter dem Spektakel liegt ein pragmatischer Regler. Neon bietet vier Denkstufen – low, standard, die Voreinstellung high und xhigh –, mit denen Entwicklungsteams den Tokenverbrauch an die Schwierigkeit des Problems anpassen können. Auf der voreingestellten Stufe high senkt Neon die Kosten pro Aufgabe gegenüber Carbon um 32 %. Im Vals Index und in der Agent Arena unterbietet es führende Konkurrenzmodelle um etwa 50 bis 80 %. Selbst auf xhigh, bei den verwickeltsten wissenschaftlichen und technischen Problemen, bleibt es pro Aufgabe mehr als 36 % günstiger als Konkurrenzmodelle auf deren höchster Leistungsstufe.

Die stille Disziplin der Verteidigung

Geschwindigkeit und niedrige Kosten haben eine dunklere Kehrseite: Was für Entwickler günstiger zu betreiben ist, lockt auch Angreifer an. Google begegnete diesem Spannungsverhältnis direkt mit einer spezialisierten Variante, Gemini 4 Neon for cyber, die in den kommenden Tagen über sein Fairwind Program an geprüfte Sicherheitsteams ausgegeben wird.

Über den gesamten Ablauf der Cyberabwehr hinweg erzielte das Modell Spitzenwerte und verbrauchte dabei ungefähr die Hälfte des Budgets größerer Konkurrenten. Bei der Erstellung sicherer Web-Backends auf der schwierigen Stufe des AutoBaxBench erreichte es 76 %. Bei proaktiven Penetrationstests im WebExploitBench v1.2 kam es auf 51,26 %, zu halb so hohen Kosten wie große Konkurrenzmodelle. Bei der Suche nach Schwachstellen in vorhandenen Repositories im SEC-bench Pro erreichte es 90,5 % und halbierte die Kosten pro Aufgabe. Bei der Prüfung, ob Schwachstellen tatsächlich ausnutzbar waren, erreichte es im ExploitGym das Niveau führender Modelle mit der Hälfte der Tokens von Carbon. Und beim Beheben der eigentlichen Fehlerursachen im CWE-bench v2 von Collinear kam es auf 70,7 %, eine Verbesserung um 3,4 Punkte gegenüber Carbon. Karina Nguyen, Gründerin von Thoughtful Lab, berichtete, Neon habe in ihren Cyberbewertungen subtile Schwachstellen entdeckt, die andere Modelle übersehen hätten, und dabei nur einen Bruchteil der Tokens verbraucht.

Ebenso aufschlussreich ist, wie Google Zurückhaltung zu messen versuchte. Ein schneller Agent, der abkürzt oder einen bestandenen Test erfindet, ist schlechter als ein langsamer. In internen Tests mit Google Antigravity verzeichnete Neon die bislang niedrigste Rate erfundener Ergebnisse des Unternehmens. Im Terminal-Bench 4.0 zog es mit Carbon gleich: null Prozent Schummeln. In Googles Testsuite zu Schummeleien beim Programmieren nahm es bei nur 2,45 % der Aufgaben Abkürzungen, dem niedrigsten Wert innerhalb der Gemini-4-Reihe. Die Sicherheitsbewertungen für Agenten ergaben einen Anteil fehlgeleiteter Handlungen von 0,09 % und eine Bestehensquote von 99,2 % bei der Ehrlichkeit. Zugleich wurden übermäßige Ablehnungen reduziert: Neon lehnte nur 1,98 % der legitimen Aufgaben im Terminal-Bench 4.0 ab und null Prozent im Terminal-Bench Science. Über die verschiedenen Aufwandsstufen hinweg ging unzureichende Aufgabenerfüllung um 43 bis 56 % zurück, während die Überschreitung des Auftrags um 15 bis 35 % sank. Gegen indirekte Prompt Injection – bösartige Anweisungen, die in Webseiten, E-Mails oder Code-Repositories versteckt sind – verzeichnete Neon auf der höchsten Denkstufe zusammen mit Echtzeitschutzmaßnahmen eine Angriffserfolgsquote von 0,0 % im Benchmark von Gray Swan.

Doch jeder ehrliche Bericht muss dort innehalten, wo die Pressemitteilung endet. Benchmarks sind Reinräume, das wirkliche Internet ist ein Schrottplatz. Eine Angriffserfolgsquote von null Prozent in einer begrenzten Prüfung sagt uns, dass Googles Überwachung und Schutzmaßnahmen den von Gray Swan entworfenen Szenarien standhielten. Sie beweist nicht, dass ein geschickt platzierter Angriffscode in einer wenig bekannten Open-Source-Abhängigkeit niemals um drei Uhr morgens an einem unbeaufsichtigten Agenten vorbeikommt. Ebenso wenig garantieren sechzehntausend Dollar in einem simulierten Geschäft mit Verkaufsautomaten in San Francisco, dass die Finanzabteilung eines Unternehmens die Fußnoten nicht mehr prüfen muss. Neon wird sich nicht an den Diagrammen seiner Vorstellung messen lassen müssen, sondern an seiner unauffälligen Zuverlässigkeit in sechs Monaten, wenn der Neuigkeitswert verblasst ist und die Protokolle lang geworden sind.

Zurück an den Schreibtisch

Für gewöhnliche Abonnenten in der Gemini-App ist das Versprechen weit weniger theatralisch als ein dreidimensionales Arbeitszimmer in Cambridge. Neon bezieht Kontext aus Gmail und Docs, analysiert unübersichtliche Belege und dichte Finanztabellen, prüft Anbieter live im Web und erledigt mehrstufige Aufgaben, ohne schon mitten am Nachmittag die Nutzungslimits auszuschöpfen.

Heute Morgen, bevor die Straße draußen ganz erwacht war, öffnete ich die vier PDFs des Stromversorgers am Küchentisch erneut und lud sie zusammen mit den eingescannten Zählerfotos in das Eingabefenster. Diesmal gab es keine lange Nachtwache vor einem blinkenden Cursor. Innerhalb von Sekunden isolierte das Modell eine doppelt berechnete Netznutzungsgebühr aus dem September, glich den exakten Kilowattstundenstand ab, der auf dem Foto des Kellerzählers seitlich zu lesen war, und entwarf einen kurzen, sachlichen Brief an die Rechnungsabteilung. Nichts daran fühlte sich futuristisch oder großartig an. Es war, als betätigte man einen Lichtschalter und die Birne reagierte sofort. Das ist vielleicht mehr als jeder Spitzenplatz in einer Rangliste die eigentliche Nachricht in Gemini 4 Neon: Intelligenz auf Spitzenniveau verlangt endlich nicht mehr, dass alle innehalten und ihr beim Denken zusehen.

Quellen

Kavukcuoglu, Koray. Introducing Gemini 4 Neon. blog.google

Google DeepMind. Gemini 4 Neon Model Card. deepmind.google

Google DeepMind. Gemini 4 Neon Model Evaluation Methodology. deepmind.google

Artificial Analysis. Google continues to accelerate its release cadence with Gemini 4. artificialanalysis.ai

Vals AI. Vals AI: AI Benchmarks for Real-World Tasks. vals.ai

Vals AI. Vals Legal Index Leaderboard and Methodology. vals.ai

Andon Labs. Vending-Bench 2. andonlabs.com